时间序列分析——基于R | 第2章 时间序列的预处理习题

1.考虑序列{1,2,3,4,5,…,20}

1.1判断该序列是否平稳

x <- seq(1,20);x
##  [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20

1.2样本自相关系数

max_lag <- 6
acf_x <- acf(x, lag.max = max_lag, plot = FALSE)$acf
r_1_to_6 <- acf_x[2:(max_lag + 1)] ;r_1_to_6
## [1] 0.8500000 0.7015038 0.5560150 0.4150376 0.2800752 0.1526316
# 注意要从第2个元素开始提取,因为acf函数的结果向量的第一个元素对应滞后期数为0的自相关系数。

1.3序列自相关图

#加载必要的包
library(ggplot2)
library(ggfortify)
library(RColorBrewer)
library(forecast)
#设置颜色主题
my_palette <- brewer.pal(n = 8, name = "Dark2")#绘制序列自相关图并美化
windowsFonts(myFont = windowsFont("思源宋体 SemiBold"))
ggAcf(x) +ggtitle("序列自相关图") + #添加标题xlab("滞后") + #添加x轴标签ylab("自相关系数") + #添加y轴标签theme_minimal(base_size = 12, base_family = 'myFont') +theme(plot.title = element_text(hjust = 0.5), #居中标题panel.grid.minor = element_blank(), #去除次要网格线panel.grid.major.x = element_line(size = 0.2, linetype = "dashed", color = "grey70"), #设置x轴主要网格线样式axis.line.x = element_line(size = 0.5, color = "black"), #设置x轴线条粗细和颜色axis.line.y = element_line(size = 0.5, color = "black"), #设置y轴线条粗细和颜色axis.text = element_text(size = 10, color = my_palette[1]), #设置刻度标签字体大小和颜色axis.title = element_text(size = 12, face = "bold", color = my_palette[2]), #设置轴标题字体大小、加粗和颜色panel.border = element_blank(), #去除面板边框panel.background = element_blank(), #去除面板背景legend.background = element_blank(), #去除图例背景legend.title = element_blank(), #去除图例标题legend.text = element_text(size = 10, color = my_palette[3]), #设置图例文本字体大小和颜色legend.position = c(0.9, 0.8)) + #设置图例位置scale_color_manual(values = my_palette[4:8]) #设置线条颜色

2.1975-1980年夏威夷岛莫那罗亚火山每月释放的CO₂数据

2.1绘制时序图，判断平稳性

d2=c(t(read.table('./时间序列分析——基于R（第2版）习题数据/习题2.2数据.txt', sep = '\t')))
ts_d2 <- ts(d2, start = c(1975,1), frequency = 12);ts_d2
##         Jan    Feb    Mar    Apr    May    Jun    Jul    Aug    Sep    Oct
## 1975 330.45 330.97 331.64 332.87 333.61 333.55 331.90 330.05 328.58 328.31
## 1976 331.63 332.46 333.36 334.45 334.82 334.32 333.05 330.87 329.24 328.87
## 1977 332.81 333.23 334.55 335.82 336.44 335.99 334.65 332.41 331.32 330.73
## 1978 334.66 335.07 336.33 337.39 337.65 337.57 336.25 334.39 332.44 332.25
## 1979 335.89 336.44 337.63 338.54 339.06 338.95 337.41 335.71 333.68 333.69
## 1980 337.81 338.16 339.88 340.57 341.19 340.87 339.25 337.19 335.49 336.63
##         Nov    Dec
## 1975 329.41 330.63
## 1976 330.18 331.50
## 1977 332.05 333.53
## 1978 333.59 334.76
## 1979 335.05 336.53
## 1980 337.74 338.36
#加载必要的包library(ggplot2)
library(ggfortify)
library(RColorBrewer)
library(forecast)# 绘制时序图
windowsFonts(myFont = windowsFont("思源宋体 SemiBold"))
ggplot() +geom_line(aes(x = time(ts_d2), y = ts_d2),color = "#74759b", size = 1.2) +labs(title = "Monthly CO2 Emissions from Mauna Loa, Hawaii, 1975-1980",x = "Year", y = "CO2 Emissions") +theme_minimal(base_size = 12, base_family = 'myFont') +theme(plot.title = element_text(face = "bold"),axis.title = element_text(face = "bold", colour = '#132c33'),axis.line = element_line(size = 0.75, colour = '#2b73af'),axis.ticks = element_line(size = 0.5, colour = '#2376b7'),panel.grid.major = element_blank(),panel.grid.minor = element_blank())

从时序图中可以看出，该序列存在较明显的季节性，同时也存在一定的趋势性。

2.2计算样本自相关系数

max_lag1 <- 24
acf_d2ts <- acf(ts_d2, lag.max = max_lag1, plot = FALSE)$acf
acf_d2ts[2:(max_lag1 + 1)] 
##  [1]  0.90750778  0.72171377  0.51251814  0.34982244  0.24689637  0.20309427
##  [7]  0.21020799  0.26428810  0.36433219  0.48471672  0.58456166  0.60197891
## [13]  0.51841257  0.36856286  0.20671211  0.08138070  0.00135460 -0.03247916
## [19] -0.02709893  0.01123597  0.08274806  0.17010715  0.24319854  0.25252294

2.3绘制自相关图

ggAcf(ts_d2, lag.max = 36) +theme_minimal(base_size = 10, base_family = "myFont") +theme(plot.title = element_text(face = "bold", size = 14, hjust = 0.5),axis.title = element_text(face = "bold", hjust = 0.5),panel.grid.major = element_blank(),panel.grid.minor = element_blank(),axis.line = element_line(size = 0.75),axis.ticks = element_line(size = 0.5),axis.text = element_text(size = 12, color = "#815c94"),strip.text = element_text(size = 12, color = "#815c94", face = "bold"))

从自相关图中可以看出，该序列存在较强的季节性和自相关性，不具有平稳性。

3.1945-1950年费城月度降雨量数据

3.1样本自相关系数

d3 <- c(t(read.table('./时间序列分析——基于R（第2版）习题数据/习题2.3数据.txt', sep = '\t')));
ts_d3 <- ts(d3, start = c(1945,1), frequency = 12);ts_d3
##        Jan   Feb   Mar   Apr   May   Jun   Jul   Aug   Sep   Oct   Nov   Dec
## 1945  69.3  80.0  40.9  74.9  84.6 101.1 225.0  95.3 100.6  48.3 144.5  28.3
## 1946  38.4  52.3  68.6  37.1 148.6 218.7 131.6 112.8  81.8  31.0  47.5  70.1
## 1947  96.8  61.5  55.6 171.7 220.5 119.4  63.2 181.6  73.9  64.8 166.9  48.0
## 1948 137.7  80.5 105.2  89.9 174.8 124.0  86.4 136.9  31.5  35.3 112.3  43.0
## 1949 160.8  97.0  80.5  62.5 158.2   7.6 165.9 106.7  92.2  63.2  26.2  77.0
## 1950  52.3 105.4 144.3  49.5 116.1  54.1 148.6 159.3  85.3  67.3 112.8  59.4
max_lag2 <- 24
acf_d3 <- acf(ts_d3, lag.max = max_lag2, plot = FALSE)$acf
acf_d3[2:(max_lag1 + 1)] 
##  [1]  0.012770216  0.041600613 -0.043230426 -0.178692841 -0.251298873
##  [6] -0.093810241 -0.067777725 -0.071978515  0.013882228  0.109450351
## [11]  0.217295088  0.315872697 -0.025053744  0.075320665 -0.141206897
## [16] -0.203589406 -0.245494618  0.066461869 -0.139454035 -0.034028373
## [21]  0.205723132 -0.009866008  0.080311638  0.118056190

3.2判断平稳性

#加载必要的包library(ggplot2)
library(ggfortify)
library(RColorBrewer)
library(forecast)# 绘制时序图
ggplot(data = ts_d3, aes(x = seq_along(ts_d3), y = ts_d3)) +geom_line(color = "#0072B2", size = 1.2) +labs(x = "Time", y = "Monthly Precipitation (mm)", title = "Monthly Precipitation in Philadelphia, 1945-1950") +theme_minimal(base_size = 14, base_family = "myFont") +theme(plot.title = element_text(face = "bold", size = 14, hjust = 0.5),axis.text = element_text(size = 12, color = "#0072B2"),axis.title = element_text(size = 12, face = "bold", color = "#0072B2"))
# 绘制自相关图
ggAcf(ts_d3, lag.max = 24) +theme_minimal(base_size = 14, base_family = "myFont") +theme(plot.title = element_text(face = "bold", size = 14, hjust = 0.5),axis.text = element_text(size = 12, color = "#0072B2"),axis.title = element_text(size = 12, face = "bold", color = "#0072B2"))

时序图显示了该数据集的所有观察值，其中每个点代表一个月的降雨量。我们可以看到，该序列具有一些季节性，但没有明显的趋势或周期性。

自相关图显示了每个滞后时点的自相关系数。我们可以看到，自相关系数在较短的滞后期内很高，随着滞后期的增加而逐渐降低。这表明该序列具有一些自相关性，但可能不是非常平稳。

3.3判断随机性

for (k in1:3) print(Box.test(d3, lag = 6*k, type = 'Ljung-Box'))
##
##  Box-Ljung test
##
## data:  d3
## X-squared = 8.5225, df = 6, p-value = 0.2023
##
##
##  Box-Ljung test
##
## data:  d3
## X-squared = 23.36, df = 12, p-value = 0.02482
##
##
##  Box-Ljung test
##
## data:  d3
## X-squared = 36.02, df = 18, p-value = 0.007015
#白噪声序列

4.判断序列是否为纯随机序列（ɑ=0.05）

# 假设前12个样本的自相关系数存储在一个名为 acf_x 的向量中
acf_x <- c(0.02, 0.05, 0.10, -0.02, 0.05, 0.01, 0.12, -0.06, 0.08, -0.05, 0.02, -0.05)# 假设最大滞后阶数为10
max_lag <- 10# 计算样本自相关系数的标准误
se <- 1/sqrt(100)# 计算Ljung-Box检验的统计量和临界值
lb_stat <- sum((acf_x[-1])^2/(1:length(acf_x[-1])))/100/(se^2)
lb_crit <- qchisq(0.95, max_lag)# 判断序列是否为纯随机序列if (lb_stat < lb_crit) {cat("序列可能是纯随机序列")
} else {cat("序列不是纯随机序列")
}
## 序列可能是纯随机序列

5.某公司在2000-2003年间每月的销售量

5.1绘制时序图和样本自相关图

d5 <- read.table('./时间序列分析——基于R（第2版）习题数据/习题2.5数据.txt', header = TRUE);d5
##    月份 X2000年 X2001年 X2002年 X2003年
## 1   1月     153     134     145     117
## 2   2月     187     175     203     178
## 3   3月     234     243     189     149
## 4   4月     212     227     214     178
## 5   5月     300     298     295     248
## 6   6月     221     256     220     202
## 7   7月     201     237     231     162
## 8   8月     175     165     174     135
## 9   9月     123     124     119     120
## 10 10月     104     106      85      96
## 11 11月      85      87      67      90
## 12 12月      78      74      75      63
ts_d5 <- ts(c(d5$X2000年, d5$X2001年, d5$X2002年, d5$X2003年), start = c(2000, 1), frequency = 12);ts_d5
##      Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2000 153 187 234 212 300 221 201 175 123 104  85  78
## 2001 134 175 243 227 298 256 237 165 124 106  87  74
## 2002 145 203 189 214 295 220 231 174 119  85  67  75
## 2003 117 178 149 178 248 202 162 135 120  96  90  63
#加载必要的包library(ggplot2)
library(ggfortify)
library(RColorBrewer)
library(forecast)# 绘制时序图
ggplot(data = ts_d5, aes(x = seq_along(ts_d5), y = ts_d5)) +geom_line(color = "#5d3131", size = 1.2) +labs(x = "时间", y = "销售量", title = "销售量时序图") +theme_minimal(base_size = 14, base_family = "myFont") +theme(plot.title = element_text(face = "bold", size = 14, hjust = 0.5),axis.line = element_line(size = 0.5, colour = '#ed3333'),axis.ticks = element_line(size = 0.5, colour = '#ed3333'),axis.text = element_text(size = 12, color = "#daa45a"),axis.title = element_text(size = 12, face = "bold", color = "#5d3131"))
# 绘制自相关图
ggAcf(ts_d5, lag.max = 12) + labs(title = "Sample Autocorrelation Function", x = "Lag", y = "Autocorrelation") +theme_minimal() +theme(plot.title = element_text(size = 18, face = "bold", hjust = 0.5),axis.title = element_text(size = 14, face = "bold"),axis.text = element_text(size = 12),legend.position = "none")

5.2判断该序列的平稳性和纯随机性

# 单位根检验library(tseries)
adf.test(ts_d5)
## Warning in adf.test(ts_d5): p-value smaller than printed p-value
##
##  Augmented Dickey-Fuller Test
##
## data:  ts_d5
## Dickey-Fuller = -6.1123, Lag order = 3, p-value = 0.01
## alternative hypothesis: stationary
# Ljung-Box检验
Box.test(ts_d5, lag = 12, type = "Ljung-Box")
##
##  Box-Ljung test
##
## data:  ts_d5
## X-squared = 190.4, df = 12, p-value < 2.2e-16

如果单位根检验的 p 值小于 0.05，则时间序列不是平稳的。如果 Ljung-Box 检验的 p 值小于 0.05，则时间序列不是纯随机的。根据结果，我们可以得出结论：该时间序列是非平稳的且非纯随机的。

6.1969年1月至1973年9月芝加哥海德公园内每28天发生的抢包案件数

6.1判断序列的平稳性和纯随机性

d6 <- c(t(read.table('./时间序列分析——基于R（第2版）习题数据/习题2.6数据.txt', sep = '\t')));d6
##  [1] 10 15 10 10 12 10  7  7 10 14  8 17 14 18  3  9 11 10  6 12 14 10 25 29 33
## [26] 33 12 19 16 19 19 12 34 15 36 29 26 21 17 19 13 20 24 12  6 14  6 12  9 11
## [51] 17 12  8 14 14 12  5  8 10  3 16  8  8  7 12  6 10  8 10  5 NA NA
# 设置主题
theme_custom <- function(base_size = 10, base_family = "myFont") {theme(text = element_text(size = base_size, family = base_family),plot.title = element_text(hjust = 0.5, size = base_size*1.2, face = "bold", colour = '#004a7c'),plot.subtitle = element_text(hjust = 0.5, size = base_size, face = "italic"),axis.title = element_text(size = base_size*1.1, face = "bold", colour = '#1b262c'),axis.text = element_text(size = base_size, colour = '#0f4c75'),legend.title = element_text(size = base_size*1.1, face = "bold", colour = '#3282b8'),legend.text = element_text(size = base_size, colour = '#bbe1fa'))
}# 画时序图library(ggplot2)
ggplot(data.frame(x = na.omit(d6), t = 1:length(na.omit(d6))), aes(x = t, y = x)) + geom_line(color = "#3B4F63") +labs(title = "Robberies in Heide Park (1969-1973)",subtitle = "Recorded every 28 days",x = "Time", y = "Number of robberies") +theme_custom()
# 检验平稳性和纯随机性library(tseries)
adf.test(na.omit(d6)) # ADF检验
##
##  Augmented Dickey-Fuller Test
##
## data:  na.omit(d6)
## Dickey-Fuller = -2.168, Lag order = 4, p-value = 0.5069
## alternative hypothesis: stationary
kpss.test(na.omit(d6)) # KPSS检验
##
##  KPSS Test for Level Stationarity
##
## data:  na.omit(d6)
## KPSS Level = 0.35581, Truncation lag parameter = 3, p-value = 0.0962
ggAcf(na.omit(d6))+ggtitle("Autocorrelation of Robberies in Heide Park (1969-1973)")+theme_custom()
ggPacf(na.omit(d6))+ggtitle("Partial Autocorrelation of Robberies in Heide Park (1969-1973)")+theme_custom()
print(adf.test(na.omit(d6)))
##
##  Augmented Dickey-Fuller Test
##
## data:  na.omit(d6)
## Dickey-Fuller = -2.168, Lag order = 4, p-value = 0.5069
## alternative hypothesis: stationary
print(kpss.test(na.omit(d6)))
##
##  KPSS Test for Level Stationarity
##
## data:  na.omit(d6)
## KPSS Level = 0.35581, Truncation lag parameter = 3, p-value = 0.0962

由ADF和KPSS检验的结果可以看出，序列${x_t}$和${y_t}$均不平稳。由ACF和PACF图可以看出，序列${x_t}$和${y_t}$均存在较强的自相关性和季节性。

6.2对序列进行函数运算：，并判断序列的平稳性和纯随机性

# 计算差分序列
diff_data <- diff(na.omit(d6));diff_data
##  [1]   5  -5   0   2  -2  -3   0   3   4  -6   9  -3   4 -15   6   2  -1  -4   6
## [20]   2  -4  15   4   4   0 -21   7  -3   3   0  -7  22 -19  21  -7  -3  -5  -4
## [39]   2  -6   7   4 -12  -6   8  -8   6  -3   2   6  -5  -4   6   0  -2  -7   3
## [58]   2  -7  13  -8   0  -1   5  -6   4  -2   2  -5
# 画差分序列时序图
ggplot(data.frame(y = diff_data, t = 2:length(na.omit(d6))), aes(x = t, y = y)) + geom_line(color = "#F15A60") +labs(title = "Differenced Robberies in Heide Park (1969-1973)",subtitle = "Recorded every 28 days",x = "Time", y = "Difference in number of robberies") +theme_custom()
# 检验平稳性和纯随机性
adf.test(diff_data) # ADF检验
## Warning in adf.test(diff_data): p-value smaller than printed p-value
##
##  Augmented Dickey-Fuller Test
##
## data:  diff_data
## Dickey-Fuller = -4.3625, Lag order = 4, p-value = 0.01
## alternative hypothesis: stationary
kpss.test(diff_data) # KPSS检验
## Warning in kpss.test(diff_data): p-value greater than printed p-value
##
##  KPSS Test for Level Stationarity
##
## data:  diff_data
## KPSS Level = 0.07078, Truncation lag parameter = 3, p-value = 0.1
ggAcf(diff_data)+ggtitle("Autocorrelation of Differenced Robberies in Heide Park (1969-1973)")+theme_custom()
ggPacf(diff_data)+ggtitle("Partial Autocorrelation of Differenced Robberies in Heide Park (1969-1973)")+theme_custom()
print(adf.test(diff_data))
## Warning in adf.test(diff_data): p-value smaller than printed p-value
##
##  Augmented Dickey-Fuller Test
##
## data:  diff_data
## Dickey-Fuller = -4.3625, Lag order = 4, p-value = 0.01
## alternative hypothesis: stationary
print(kpss.test(diff_data))
## Warning in kpss.test(diff_data): p-value greater than printed p-value
##
##  KPSS Test for Level Stationarity
##
## data:  diff_data
## KPSS Level = 0.07078, Truncation lag parameter = 3, p-value = 0.1

对于差分序列${y_t}$，其平稳性得到了明显改善。ADF和KPSS检验的结果均表明，差分序列${y_t}$是平稳的。同时，由ACF和PACF图可以看出，差分序列${y_t}$不存在明显的自相关性和季节性。

7.1915-2004年澳大利亚每年与枪支有关的凶杀案死亡率（每10万人）

7.1绘制时序图，考察平稳特征

d7 <- read.table('./时间序列分析——基于R（第2版）习题数据/习题2.7数据.txt', header = TRUE)
ts_d7 <- ts(d7$死亡率,start = c(1915));ts_d7
## Time Series:
## Start = 1915
## End = 2004
## Frequency = 1
##  [1] 0.5215052 0.4248284 0.4250311 0.4771938 0.8280212 0.6156186 0.3666270
##  [8] 0.4308883 0.2810287 0.4646245 0.2693951 0.5779049 0.5661151 0.5077584
## [15] 0.7507175 0.6808395 0.7661091 0.4561473 0.4977496 0.4193273 0.6095514
## [22] 0.4573370 0.5705478 0.3478996 0.3874993 0.5824285 0.2391033 0.2367445
## [29] 0.2626158 0.4240934 0.3652750 0.3750758 0.4090056 0.3891676 0.2402610
## [36] 0.1589496 0.4393373 0.5094681 0.3743465 0.4339828 0.4130557 0.3288928
## [43] 0.5186648 0.5486504 0.5469111 0.4963494 0.5308929 0.5957761 0.5570584
## [50] 0.5731325 0.5005416 0.5431269 0.5593657 0.6911693 0.4403485 0.5676662
## [57] 0.5969114 0.4735537 0.5923935 0.5975556 0.6334127 0.6057115 0.7046107
## [64] 0.4805263 0.7026860 0.7009017 0.6030854 0.6980919 0.5976560 0.8023421
## [71] 0.6017109 0.5993127 0.6025625 0.7016625 0.4995714 0.4980918 0.4975690
## [78] 0.6001830 0.3339542 0.2744370 0.3209428 0.5406671 0.4050209 0.2885961
## [85] 0.3275942 0.3132606 0.2575562 0.2138386 0.1861856 0.1592713
autoplot(ts_d7, xlab = "年份", ylab = "死亡率（每10万人）")+theme_custom()

根据时序图可以看出，该序列的方差似乎并没有随着时间变化而发生显著的变化，因此可以初步认为该序列是平稳的。但是，为了进一步确定该序列的平稳性，需要绘制自相关图。

7.2绘制自相关图，分析该序列的平稳性

# 绘制自相关图
ggAcf(ts_d7, lag.max = 20)+ggtitle("自相关图")+theme_custom()

由自相关图可以看出，该序列存在显著的正自相关，且自相关系数衰减缓慢，这表明该序列不是平稳的。为了进一步确定该序列的平稳性，需要对其进行一阶差分，得到一阶差分后的序列并绘制时序图和自相关图。

7.3如果该序列是平稳序列，则分析该序列的纯随机性，如果是非平稳序列，则分析该序列一阶差分后序列的平稳性。

# 进行一阶差分
diff_ts_d7 <- diff(ts_d7)
par(mfrow=c(1,2))
# 绘制差分后的时序图
autoplot(diff_ts_d7, xlab = "年份", ylab = "死亡率（每10万人）")+theme_custom()
# 绘制差分后的自相关图
ggAcf(diff_ts_d7, lag.max = 20)+ggtitle("一阶差分后的自相关图")+theme_custom()

由于差分后序列的自相关图中，几乎所有的自相关系数都在显著水平之下，表明序列具有平稳性，因此可以进行纯随机性检验。

library(lawstat)
##
## 载入程辑包：'lawstat'
## The following object is masked from 'package:tseries':
##
##     runs.test
runs.test(diff_ts_d7)
##
##  Runs Test - Two sided
##
## data:  diff_ts_d7
## Standardized Runs Statistic = 2.4535, p-value = 0.01415

由于p值大于0.05，无法拒绝原假设，因此认为该序列是一个纯随机序列。

8.1860-1955年密歇根湖每月平均水位的最高值序列

8.1绘制时序图，考察平稳特征

d8 <- read.table('./时间序列分析——基于R（第2版）习题数据/习题2.8数据.txt', header = TRUE)
ts_d8 <- ts(d8$水位,start = c(1860));ts_d8
## Time Series:
## Start = 1860
## End = 1955
## Frequency = 1
##  [1] 83.30 83.50 83.20 82.60 82.20 82.10 81.70 82.20 81.60 82.10 82.70 82.80
## [13] 81.50 82.20 82.30 82.10 83.60 82.70 82.50 81.50 82.10 82.20 82.60 83.30
## [25] 83.10 83.30 83.70 82.90 82.30 81.80 81.60 80.90 81.00 81.30 81.40 80.20
## [37] 80.00 80.85 80.83 81.10 80.70 81.10 80.83 80.82 81.50 81.60 81.50 81.60
## [49] 81.80 81.10 80.50 80.00 80.70 81.30 80.70 80.00 81.10 81.87 81.91 81.30
## [61] 81.00 80.50 80.60 79.80 79.60 78.49 78.49 79.60 80.60 82.30 81.20 79.10
## [73] 78.60 78.70 78.00 78.60 78.70 78.60 79.70 80.00 79.30 79.00 80.20 81.50
## [85] 80.80 81.00 80.96 81.10 80.80 79.70 80.00 81.60 82.70 82.10 81.70 81.50
# 绘制时序图library(ggplot2)
ggplot(d8, aes(x = 年, y = 水位)) +geom_line(color = "steelblue", size = 1) +labs(title = "密歇根湖水位（1860-1955）", x = "年", y = "水位") +theme_custom()

根据时序图可以看出，该序列存在周期性波动，但整体趋势基本稳定。

8.2绘制自相关图，分析该序列的平稳性

# 绘制自相关图
ggAcf(ts_d8, lag.max = 30)+ggtitle("自相关图") +xlab("Lag") +ylab("ACF") +theme_custom()

自相关图显示出较强的正自相关性，表明该序列不是平稳序列，需要进行差分。

8.3如果该序列是平稳序列，则分析该序列的纯随机性，如果是非平稳序列，则分析该序列一阶差分后序列的平稳性。

# 进行一阶差分
diff_ts_d8 <- diff(ts_d8)
ggplot() +geom_line(aes(x = d8$年[-1], y = diff_ts_d8), color = "steelblue", size = 1) +labs(title = "密歇根湖水位一阶差分序列（1861-1955）", x = "年", y = "水位差分") +theme_custom()
## Don't know how to automatically pick scale for object of type <ts>. Defaulting
## to continuous.
# 绘制自相关图
ggAcf(diff_ts_d8, lag.max = 30)+ggtitle("一阶差分自相关图")+theme_custom()

一阶差分的时序图显示出，一阶差分序列的波动已经变得更加平稳。自相关图显示出，一阶差分序列的自相关系数都在置信区间内，表明一阶差分序列已经平稳。

1.本文参考资料为时间序列分析——基于R/王燕编著. —5版. —北京：中国人民大学出版社,2020.6
（基于R应用的统计学丛书）
ISBN 978-7-300-27898-8
2.本文的部分代码参考了ChatGPT给出的方法，经检验后有效。

时间序列分析——基于R | 第2章 时间序列的预处理习题代码相关推荐

  1. 【转】时间序列分析——基于R，王燕

    <时间序列分析--基于R>王燕,读书笔记 笔记: 一.检验: 1.平稳性检验: 图检验方法: 时序图检验:该序列有明显的趋势性或周期性,则不是平稳序列 自相关图检验:(acf函数)平稳序列 ...

  2. 时间序列分析——基于R 王燕 版本 复习整理

    目录 1.时间序列分析 时间序列的定义: 两种时间序列的分析方法: (1)描述性时序分析 (2)统计时序分析 2.时间序列的预处理 平稳性检验 纯随机性检验(白噪声检验) 3.平稳时间序列分析 方法性 ...

  3. 时间序列分析——基于R语言案例数据课后数据

    去这个www.crup.com.cn网址搜,里面全都有.免费的.

  4. 《应用时间序列分析：R软件陪同》——1.5 习题

    本节书摘来自华章计算机<应用时间序列分析:R软件陪同>一书中的第1章,第1.5节,作者:吴喜之,刘苗著, 更多章节内容可以访问云栖社区"华章计算机"公众号查看. 1.5 ...

  5. 《应用时间序列分析：R软件陪同》——2.3 随机游走

    本节书摘来自华章计算机<应用时间序列分析:R软件陪同>一书中的第2章,第2.3节,作者:吴喜之,刘苗著, 更多章节内容可以访问云栖社区"华章计算机"公众号查看.

  6. 一文速学-时间序列分析算法之移动平均模型(MA)详解+Python实例代码

    目录 前言 一.移动平均模型(MA) 模型原理 自回归 移动平均模型 自相关系数 常用的 MA 模型的自相关系数 通用: MA(1)模型: MA(2)模型: 自协方差函数 二.Python案例实现 平 ...

  7. 统计学习导论：基于R应用——第二章习题

    目前在看统计学习导论:基于R应用,觉得这本书非常适合入门,打算把课后习题全部做一遍,记录在此博客中. 第二章习题 1. (a) 当样本量n非常大,预测变量数p很小时,这样容易欠拟合,所以一个光滑度更高 ...

  8. 关于ACF以及PACF在时间序列分析中的应用---ARIMA滞后项阶数确定(附代码）

    原理背景 在时间序列建模中,我们常用到的一个模型就是ARIMA,但是在使用该模型时,一个问题就是如何确定AR,MA中的p和q,即滞后项的级数.这时,一般我们会采用ACF(auto-correlatio ...

  9. 太空人时间HTML,基于JavaScript实现网红太空人表盘的完整代码

    一.效果展示 用javascript写的一个太空人表盘. 二.源代码 html代码 太空人表盘 function WatchMeter() { // 初始化dom this._initDom() // ...

最新文章

  1. 华为交换机 路由器 常用命令
  2. c++11中智能指针的原理，使用，实现
  3. VTK：可视化之LegendScaleActor
  4. laravel框架安装(奶妈式手把手一步步操作)
  5. ux和ui_设计社交餐厅策展应用程序— UX / UI案例研究
  6. python 弹窗不阻断线程_Javascript 如何阻断程序的运行
  7. 机器学习与R语言（原书第2版）》一1.4　实践中的机器学习
  8. python3 x和python2 x区别_Python3.x和Python2.x的区别（转存参考）
  9. cressman插值_NCL自带常用插值函数集锦
  10. 《设计模式详解》创建型模式 - 建造者模式
  11. “Node.js 包已不值得信任”
  12. AirServer for Mac(ios投屏到mac的实用工具)
  13. 计算机系统管理程序,计算机系统管理操作程序
  14. python建模地图
  15. 电力系统三相短路计算机计算报告,电力系统分析三相短路计算习题.doc
  16. mysql一个表的省市县级联_mySQL 实现省市县联动查询
  17. python爬取淘宝数据魔方_读《淘宝数据魔方技术架构解析》有感
  18. 设计一个O(n2)时间的算法，找出由n个数组成的序列的最长单调递增子序列。
  19. 解决安装Ubuntu系统卡在载入界面，显示正在安装open vm tools
  20. 江苏省计算机一级考试试题库,2016年江苏省-计算机一级考试.试题-

热门文章

  1. 根据生日定时发送生日祝福邮件
  2. Power收集[单调队列+DP]
  3. 虚拟主机mv命令选项移动文件夹
  4. 【HTML】【休闲益智】真相？真香？只有一个！看看谁是大馋虫 or 贪吃鬼（找出真正吃了月饼的人
  5. iOS内存管理——alloc／release／dealloc方法的GNUstep实现与Apple的实现
  6. python编程:从入门到实践 阅读笔记
  7. 每日一佳——A Support Vector Method for Multivariate Performance Measures（Thorsten Joachims，ICML，2005）
  8. 链接元宇宙，开启新纪元
  9. turtle---见证小海龟的浪漫之画
  10. 如何将带网口打印机进行局域网共享打印